CosalPure：从组图像中学习概念以实现鲁棒的协同显著性检测

协同显著目标检测 (CoSOD) 旨在识别给定一组图像中共同且显著（通常位于前景）的区域。尽管取得了显著进展，最先进的 CoSOD 方法仍易受某些对抗性扰动的影响，导致精度大幅下降。对抗性扰动可以误导 CoSOD，但不会改变协同显著目标的高层语义信息（例如，概念）。本文提出了一种新颖的鲁棒性增强框架：首先基于输入组图像学习协同显著目标的概念，然后利用该概念净化对抗性扰动，再将净化后的图像输入 CoSOD 以增强鲁棒性。具体而言，我们提出了包含两个模块的 CosalPure，即组图像概念学习和概念引导的扩散净化。对于第一个模块，我们采用预训练的文本到图像扩散模型来学习组图像内协同显著目标的概念，所学概念对对抗样本具有鲁棒性。对于第二个模块，我们将对抗图像映射到潜在空间，然后通过将所学概念作为额外条件嵌入噪声预测函数中进行扩散生成。我们的方法可以有效减轻包含不同对抗模式（包括曝光和噪声）的 SOTA 对抗攻击的影响。大量结果表明，我们的方法能显著增强 CoSOD 的鲁棒性。